論文の概要: Automatic Scoring of Students' Science Writing Using Hybrid Neural Network

• arxiv url: http://arxiv.org/abs/2312.03752v1
• Date: Sat, 2 Dec 2023 20:36:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 02:58:20.805581
• Title: Automatic Scoring of Students' Science Writing Using Hybrid Neural Network
• Title（参考訳）: ハイブリッドニューラルネットワークを用いた学生理科文章の自動スコアリング
• Authors: Ehsan Latif and Xiaoming Zhai
• Abstract要約: 本研究では,分析ルーリックを用いた理科教育における評価応答に対するマルチパースペクティブハイブリッドニューラルネットワークの有効性について検討した。 我々は,HNNモデルの精度を4つのアプローチ(BERT, AACR, Naive Bayes, Logistic Regression)と比較した。
• 参考スコア（独自算出の注目度）: 1.4833692070415454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study explores the efficacy of a multi-perspective hybrid neural network (HNN) for scoring student responses in science education with an analytic rubric. We compared the accuracy of the HNN model with four ML approaches (BERT, AACR, Naive Bayes, and Logistic Regression). The results have shown that HHN achieved 8%, 3%, 1%, and 0.12% higher accuracy than Naive Bayes, Logistic Regression, AACR, and BERT, respectively, for five scoring aspects (p<0.001). The overall HNN's perceived accuracy (M = 96.23%, SD = 1.45%) is comparable to the (training and inference) expensive BERT model's accuracy (M = 96.12%, SD = 1.52%). We also have observed that HNN is x2 more efficient in training and inferencing than BERT and has comparable efficiency to the lightweight but less accurate Naive Bayes model. Our study confirmed the accuracy and efficiency of using HNN to score students' science writing automatically.
• Abstract（参考訳）: 本研究では,マルチパースペクティブハイブリッドニューラルネットワーク(hnn)を用いて,理科教育における学生の反応を解析的に評価する。 HNNモデルの精度を4つのMLアプローチ(BERT, AACR, Naive Bayes, Logistic Regression)と比較した。 その結果,HHNは5つのスコア(p<0.001)において,Naive Bayes,Logistic Regression,AACR,BERTよりも8%,3%,1%,0.12%高い精度を示した。 HNNの全体的な精度(M = 96.23%、SD = 1.45%)は、高価なBERTモデルの精度(M = 96.12%、SD = 1.52%)に匹敵する。 また、HNNはBERTよりも訓練や推論の効率が良く、軽量だが精度の低いNaive Bayesモデルに匹敵する効率であることも見てきた。 本研究は,HNNを用いて学生の理科文章を自動評価することの正確さと効率性を確認した。

関連論文リスト

• A Comparative Study of Hybrid Models in Health Misinformation Text Classification [0.43695508295565777]
  本研究では、オンラインソーシャルネットワーク(OSN)上での新型コロナウイルス関連誤情報検出における機械学習(ML)モデルとディープラーニング(DL)モデルの有効性を評価する。 本研究は, 従来のMLアルゴリズムよりも, DLおよびハイブリッドDLモデルの方が, OSN上の新型コロナウイルスの誤情報を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-08T19:43:37Z)
• Touch Analysis: An Empirical Evaluation of Machine Learning Classification Algorithms on Touch Data [7.018254711671888]
  個人を正しく分類するための新しいDeep Neural Net(DNN)アーキテクチャを提案する。 新機能と既存の機能を組み合わせると、SVMとkNNはそれぞれ94.7%と94.6%の分類精度を達成した。
  論文  参考訳（メタデータ） (2023-11-23T20:31:48Z)
• Shift-Robust GNNs: Overcoming the Limitations of Localized Graph Training data [52.771780951404565]
  Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。 SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
  論文  参考訳（メタデータ） (2021-08-02T18:00:38Z)
• Energy-efficient Knowledge Distillation for Spiking Neural Networks [23.16389219900427]
  従来の人工ニューラルネットワーク(ANN)のエネルギー効率の良い代替手段として、スパイキングニューラルネットワーク(SNN)が注目されている。 蒸留SNNモデルの性能を精度とエネルギー効率の観点から解析する。 本研究では, エネルギー効率を向上させるため, 不均一な温度パラメータを持つ新しい知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2021-06-14T05:42:05Z)
• RA-BNN: Constructing Robust & Accurate Binary Neural Network to Simultaneously Defend Adversarial Bit-Flip Attack and Improve Accuracy [32.94007834188562]
  重量攻撃、a.k.a。 bit-flip attack(BFA)は、Deep Neural Network(DNN)のパフォーマンス向上に大きく成功している。 完全バイナリー(重みと活性化の両方)ニューラルネットワーク(BNN)を採用したRA-BNNを提案する。 RA-BNNは,ベースラインBNNと比較して2～8 %の精度向上を実現し,BFAに対する耐性を125 倍以上向上できることを示した。
  論文  参考訳（メタデータ） (2021-03-22T20:50:30Z)
• S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural Networks via Guided Distribution Calibration [74.5509794733707]
  本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。 提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。 提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
  論文  参考訳（メタデータ） (2021-02-17T18:59:28Z)
• On Self-Distilling Graph Neural Network [64.00508355508106]
  GNN自己蒸留(GNN-SD)と呼ばれるGNNに対する教師なし知識蒸留法を提案する。 本手法は, 組込みグラフの非平滑性を効率よく定量化する, 提案した近傍不一致率(NDR)に基づいて構築する。 また、他の蒸留戦略の誘導に活用できる汎用的なGNN-SDフレームワークについても要約する。
  論文  参考訳（メタデータ） (2020-11-04T12:29:33Z)
• BayCANN: Streamlining Bayesian Calibration with Artificial Neural Network Metamodeling [77.34726150561087]
  本稿では,ベイズ校正の限界に対する一解法として,人工知能ニューラルネットワーク(ANN)を提案する。 大腸癌の自然史モデルを腺腫発生率と癌発生率データに校正することにより,BayCANNを実証した。 BayCANNは一般に「真の」値の回復においてIMISよりも正確であった。
  論文  参考訳（メタデータ） (2020-10-26T09:47:39Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Efficient and Scalable Bayesian Neural Nets with Rank-1 Factors [36.56528603807598]
  そこで,各重み行列はランク1部分空間上の分布のみを含むBNNのランク1パラメータ化を提案する。 また、複数のモードをキャプチャするために、混合近似後続法を用いて再検討し、典型的な混合法とは異なり、この手法はメモリ増加を著しく小さくする。 ImageNetのResNet-50、CIFAR-10/100のWide ResNet 28-10、MIMIC-IIIのRNNでは、ランク1のBNNはログ、精度、キャリブレーションで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-05-14T17:58:59Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。